基于微型高光谱成像和机器学习的Pleurotus geesteranus菌株降解的非破坏性检测
Xuan Wei1, Shiyang Liu1, Chuangyuan Xie1
1College of Mechanical and Electrical Engineering, Fujian Agriculture and Forestry University, Fuzhou, Fujian, China.
Frontiers in plant science
|December 21, 2023
概括
这项研究引入了一种非破坏性方法,使用微高光谱成像和机器学习来检测真菌菌株的退化. 开发的模型达到90.8%的准确性,防止食用真菌生产的经济损失.
科学领域:
- 农业科学 农业科学
- 菌类学 菌类学是指菌类学.
- 频谱学是一种光谱学.
背景情况:
- 退化的真菌菌株在食用真菌种植中造成重大经济损失.
- 早期检测真菌菌株退化对于保持生产效率和质量至关重要.
- 可食用真菌的表型识别方法往往缺乏精度,并且可能具有破坏性.
研究的目的:
- 开发一种早期的,非破坏性的方法来检测 *Pleurotus geesteranus* 菌株的降解.
- 为了比较基于光谱和图像的机器学习模型对真菌菌株评估的有效性.
- 建立一个高精度的分类模型,用于识别真菌菌株的不同降解水平.
主要方法:
- 在细胞生长过程中获取微高光谱图像 (400-1000 nm).
- 使用连续投影算法 (SPA) 提取光谱特征,使用深度残余网络 (ResNet50) 提取图像特征.
- 使用不同特征输入 (光谱,图像和融合) 的支持向量机 (SVM) 分类模型的开发和比较.
主要成果:
- 基于光谱数据的模型优于基于图像的模型.
- 特征提取显著提高了分类准确性,对于光谱和图像模型.
- 综合功能融合模型 (SPA+ResNet50-SVM) 实现了最高的测试集准确率,达到90.8%.
结论:
- 微高光谱成像与机器学习相结合,提供了一种有效的,非破坏性的方法来检测真菌菌株退化.
- 频谱和图像数据的特征融合提供了卓越的分类性能.
- 这种方法有可能适用于其他食用真菌物种的表型识别.
